Классификация систем и моделей.

Стационарность.

 

Поток называется стационарным, если величина (Р) появления событий на интервале  не изменяется при изменении  зависит только от величины .

Случайный поток характеризуется отсутствием последействия, если его стохастические характеристики не зависят от числа произошедших к данному моменту событий.

Изучать потоки можно двумя способами:

• Задавая распределение времени между двумя последовательными событиями;
• Указывая формулу для вероятности вычисления событий в определенный момент времени.

 

Вопрос 14. Системы массового обслуживания: основные определения и свойства.

Система массового обслуживания (СМО) – объект, в котором выполняется последовательность операций, включает совокупность приборов обслуживания, которые связаны определенным логическим порядком. В соответствии с этой логикой происходит движение материальных носителей – заявок на обслуживание от канала (ОУ) к каналу (ОУ).

Структура систем массового обслуживания представляется в следующем виде:

Входной                              Обслуживающее       Выходной

поток заявок     Очередь    устройство       поток заявок

источник                                                                                 поглотитель

заявок                                                                                           заявок

 

Заявка характеризуется моментом появления на входе системы, статусом по отношению к другим заявкам, некоторыми параметрами, определяющими потребности во временных ресурсах на обслуживание

Постоянно поступающие заявки на обслуживание образуют поток заявок – совокупность заявок, распределенную во времени.

Поток заявок может быть однородным (с точки зрения обслуживания все заявки равноправны) и неоднородным.

Основной параметр потока заявок – промежуток времени между моментами поступления 2-х соседних заявок (интервал поступления).

Поток заявок может быть стационарным и нестационарным (например, изменяться от времени суток).

Поток заявок рассматривается какслучайный процесс, характеризующийся функцией распределения периода поступления заявок.

Элемент системы, в котором происходят операции, называется обслуживающим устройством (ОУ). В момент выполнения операций он занят, иначе - свободен. Если ОУ (канал) свободен, то заявка принимается к обслуживанию. 

Обслуживание каждой заявки каналом означает задержку в нем заявки на время, равное периоду обслуживания. После обслуживания заявка покидает прибор обслуживания. Таким образом,ОУ характеризуется временем обслуживания заявки (время занятости канала).

При случайном характере поступления заявок образуются очереди.

Используются специальные алгоритмы, позволяющие вырабатывать случайные реализации потоков событий и моделировать процессы функционирования обслуживающих систем. Далее осуществляется многократное воспроизведение, реализация случайных процессов обслуживания и статистическая обработка на выходе - оценка показателей качества обслуживания.

 

 

 

Вопрос 18. Моделирование случайных событий и дискретных величин.

Моделирование случайных событий. Простейшими случайными объектами при статистическом моделировании систем являются случайные события. Рассмотрим особенности их моделирования.

Пусть имеются случайные числа  т. е. возможные значения

случайной величины x, равномерно распределенной в интервале (0,1). Необходимо реализовать случайное событие А, наступающее с заданной вероятностью р. Определим А как событие, состоящее

в том, что выбранное значение   случайной величины x удовлетворяет неравенству

 (условие 1)

Тогда вероятность события А будет . Противоположное событие  состоит в том, что . Тогда Р( )= 1 — р.

Процедура моделирования в этом случае состоит в выборе значений , и сравнении их с р. При этом, если условие 1 выполняется, исходом испытания является событие А.

Таким же образом можно рассмотреть группу событий. Пусть А1, А2,..., Aj — полная группа событий, наступающих с вероятностями р1, р2,..., рs, соответственно. Определим Аm как событие,

состоящее в том, что выбранное значение , случайной величины x удовлетворяет неравенству

  (условие 2)

где  . Тогда

 

Процедура моделирования испытаний в этом случае состоит в последовательном сравнении случайных чисел  со значениями . Исходом испытания оказывается событие Аm, если выполняется условие 2. Эту процедуру называют определением исхода испытания по жребию в соответствии с вероятностями р1,p2,…, ps

Моделирование дискретных случайных величин. Рассмотрим особенности преобразования для случая получения дискретных случайных величин.

Дискретная случайная величина hпринимает значения yl≤ y2 ≤... ≤ yj≤... с вероятностями р1,р2,..., рj..., составляющими дифференциальное распределение вероятностей

(4.18)

При этом интегральная функция распределения

Fh(y) = 0; y<y1.                                              (4.19)

Для получения дискретных случайных величин можно использовать метод обратной функции. Если x, — равномерно распределенная на интервале (0, 1) случайная величина, то искомая случайная величина hполучается с помощью преобразования

,                                                 (4.20)

где  — функция, обратная Fh.

Алгоритм вычисления по (4.19) и (4.20) сводится к выполнению следующих действий:

 

если х1<р, то h=у1, иначе

если х2<р1+р2, то h=у2 иначе,

…………………                                                                                         (4.21)

если  то h=уm, иначе

…………………

При счете по (4.21) среднее число циклов сравнения

 

 

Вопрос 24. Стратегическое планирование машинных экспериментов с моделями систем.

 

Существует два основных варианта постановки задачи планирования имитационного эксперимента:

1. из всех допустимых выбирается такой план, который позволяет получить наиболее достоверное значение отклика при фиксированном числе опытов.

2. выбирается такой допустимый план, при котором статистическая оценка функции отклика может быть получена с заданной точностью при минимальном объеме испытаний.

Решение первой задачи – стратегическое планирование эксперимента.

При стратегическом планировании решаются две основные задачи:

1)идентификация факторов;

2)выбор уровня факторов.

Под идентификацией факторов понимается их ранжирование по степени влияния на значение наблюдаемой переменной.

Факторы обычно разделяются на две группы:

- первичные (те факторы, в исследовании влияния которых экспериментатор заинтересован);

- вторичные (факторы, которые не являются предметом исследования, но влиянием которых нельзя пренебречь).

В процессе идентификации факторов мало влияющие факторы могут не учитываться.

Выбор уровней факторов производится с учетом двух противоречивых требований:

1. выбранные факторы должны перекрывать (заполнять) изучаемый диапазон его значений.

2. общее количество уровней по всем факторам не должно приводить к чрезмерному размеру (V) моделирования.

Способы построения стратегического плана:

Эксперимент, в котором реализуются все возможные сочетания факторов называется ПФЭ (полный факторный эксперимент).

Общее число различных комбинаций уровней (точек) в ПФЭ вычисляется по формуле:

где li – число уровней для i-го фактора, k – число факторов.

Если число уровней для всех факторов одинаково и равно L, то N=Lk.

Недостаток ПФЭ – большие временные затраты на проведение эксперимента, поэтому используются частичные факторные эксперименты (ЧФЭ).

Рассмотрим некоторые ЧФЭ:

рандомизированный план – предполагает выбор сочетания уравнений для каждого прогона случайным образом. При этом фиксируется число экспериментов, которым экспериментатор считает возможным ограничиться.

латинский план («латинский квадрат») используется в том случае, когда проводится эксперимент с одним первичным фактором и несколькими вторичными.

эксперимент с изменением факторов по одному. Один из факторов пробегает все свои уровни в то время, как остальные факторы остаются фиксированными.

дробный факторный эксперимент. Каждый фактор имеет два уровня (верхний и нижний), поэтому общее число вариантов эксперимента N=2k.

Пример латинского плана.

Рассматриваются 3 фактора: А,В,С.

А – первичный; В,С – вторичные.

Значения фактора В	Значения фактора С

План строится таким образом, чтобы в каждой строке и в каждом столбце таблицы данный уровень был представлен только один раз.

По данному плану необходимо провести 16 экспериментов. N=16. Для ПФЭ N было бы 43=64. Экономия в 4 раза.

Пример дробного факторного эксперимента.

k=0

Номер эксперимента	Значение факторов
	X1	X2
1	0	0
2	0	1
3	1	0
4	1	1

0 – нижний уровень фактора

1 – верхний уровень

ЧФЭ N=22=4.

 

Вопрос 25. Тактическое планирование машинных экспериментов с моделями систем (проблема определения начальных условий и их влияния на достижение установившегося результата, проблема обеспечения точности и достоверности результатов моделирования).

Планирование машинных экспериментов – один из этапов имитационного моделирования.

План определяет объем и порядок проведения вычислений на ЭВМ, приемы накопления и статистической обработки результатов моделирования системы S

Тактическое планирование эксперимента с машинной моделью

Тактическое планирование представляет собой определение способа проведения каждой серии испытаний машинной модели Мм, предусмотренных планом эксперимента. Для тактического планирования также имеется аналогия с внутренним проектированием системы S, но опять в качестве объекта рассматривается процесс работы с моделью Ми.

Мы системы S связано с вопросами эффективного использования выделенных для эксперимента машинных ресурсов и определением конкретных способов проведения испытаний модели Мы, намеченных планом эксперимента, построенным при стратегическом планировании. Тактическое планирование машинного эксперимента связано прежде всего с решением следующих проблем:

1) определения начальных условий и их влияния на достижение установившегося

результата при моделировании;

2) обеспечения точности и достоверности результатов моделирования;

3) уменьшения дисперсии оценок характеристик процесса функционирования моделируемых систем;

4) выбора правил автоматической остановки имитационного эксперимента с моделями систем

Проблема определения начальных условий и их влияния на достижение

установившегося результата при моделировании.

Первая проблема при проведении машинного эксперимента возникает вследствие искусственного характера процесса функционирования модели Мм, которая в отличие от реальной системы S работает эпизодически, т. е. только когда экспериментатор запускает машинную модель и проводит наблюдения. Поэтому всякий раз, когда начинается очередной прогон модели процесса функционирования системы S, требуется определенное время для достижения условий равновесия, которые соответствуют условиям функционирования реальной системы.

* Таким образом, начальный период работы машинной модели Мм искажается из-за влияния начальных условий запуска модели. Для решения этой проблемы либо исключается из рассмотрения информация о модели Мм, полученная в начальной части периода моделирования (0, Т), либо начальные условия выбираются так, чтобы сократить время достижения установившегося режима.

Все эти приемы позволяют только уменьшить, но не свести к нулю время переходного процесса при проведении машинного эксперимента с моделью Мм. *

Проблема обеспечения точности и достоверности результатов моделирования.

Решение второй проблемы тактического планирования машинного эксперимента связано с оценкой точности и достоверности результатов моделирования (при конкретном методе реализации модели, например, методе статистического моделирования на ЭВМ) при заданном числе реализаций (объеме выборки) или с необходимостью оценки необходимого числа реализаций при заданных точности и достоверности результатов моделирования системы S. Как уже отмечалось, статистическое моделирование системы

S — это эксперимент с машинной моделью Мм. Обработка результатов подобного имитационного эксперимента принципиально не может дать точных значений показателя эффективности Е системы S; в лучшем случае можно получить только некоторую

оценку Е такого показателя. При этом экономические вопросы затрат людских и машинных ресурсов, обосновывающие целесообразность статистического моделирования вообще, оказываются тесно связанными с вопросами точности и достоверности оценки

показателя эффективности Е системы S на ее модели Мм

Таким образом, количество реализаций N при статистическом моделировании системы S должно выбираться исходя из двух основных соображений: определения затрат ресурсов на машинный эксперимент с моделью Мм (включая построение модели и ее машинную реализацию) и оценки точности и достоверности результатов эксперимента с моделью системы S (при заданных ограничениях не ресурсы). Очевидно, что требования получения более хороших оценок и сокращения затрат ресурсов являются противоречивыми и при планировании машинных экспериментов на базе статистического моделирования необходимо решить задачу нахождения разумного компромисса между ними.

Из-за наличия стохастичности и ограниченности числа реализаций N в общем случае ≠Е. При этом величина Е называется точностью (абсолютной) оценки:

вероятность того, что неравенство

                                           (6.6)

выполняется, называется достоверностью оценки

                                      (6.7)

Величина ε0 = ε/Е называется относительной точностью оценки, а достоверность оценки соответственно будет иметь вид

.

Для того чтобы при статистическом моделировании системы по заданным Е (или Е0) и Q определить количество реализаций N или, наоборот, при ограниченных ресурсах (известном N) найти необходимые Е и Q, следует детально изучить соотношение (6.7). Сделать это удается не во всех, случаях, так как закон распределения вероятностей величины  для многих практических случаев исследования систем установить не удается либо в силу ограниченности априорных сведений о системе, либо из-за сложности вероятностных расчетов. Основным путем преодоления подобных трудностей является выдвижение предположений о характере законов распределения случайной величины , т.е. оценки показателя эффективности системы S.

N = tφ2p(1-p)/(p2ε02) = tφ2(l-р)/(ε02р).                        (6.10)

Соотношение (6.10 – точность результатов моделирования) наглядно иллюстрирует специфику статистического моделирования систем, выражающуюся в том, что для оценивания малых вероятностей р с высокой точностью необходимо очень большое число реализаций N. В практических случаях для оценивания вероятностей порядка 10- k целесообразно количество реализаций выбирать равным 10k+1. Очевидно, что даже для сравнительно простых систем метод статистического моделирования приводит к большим затратам машинного времени.

 

Вопрос 26. Задачи обработки результатов моделирования.

 

Успех имитационного эксперимента с моделью системы существенным образом зависит от правильного решения вопросов обработки и последующего анализа и интерпретации результатов моделирования. Особенно важно решить проблему текущей обработки экспериментальной информации при использовании модели для целей автоматизации проектирования систем.

При обработке результатов машинного эксперимента с моделью Мм наиболее часто возникают следующие задачи:

· определение эмпирического закона распределения случайной величины

· проверка однородности распределений

· сравнение средних значений и дисперсий переменных, полученных в результате моделирования, и т. д.

Эти задачи с точки зрения математической статистики являются типовыми задачами по проверке статистических гипотез.

Задача определения эмпирического закона распределения случайной величины наиболее общая из перечисленных, но для правильного решения требует большого числа реализаций N. В этом случае по результатам машинного эксперимента находят значения выборочного закона распределения Fэ (y) (или функции плотности fэ(y)) и выдвигают нулевую гипотезу Н0, что полученное эмпирическое распределение согласуется с каким-либо теоретическим распределением. Проверяют эту гипотезу Н0 с помощью статистических критериев согласия Колмогорова, Пирсона, Смирнова и т. д., причем необходимую в этом случае статистическую обработку результатов ведут по возможности в процессе моделирования системы S на ЭВМ.

Для принятия или опровержения гипотезы выбирают некоторую случайную величину U, характеризующую степень расхождения теоретического и эмпирического распределения, связанную с недостаточностью статистического материала и другими случайными причинами. Закон распределения этой случайной величины зависит от закона распределения случайной величины η и числа реализаций N при статистическом моделировании системы S. Если вероятность расхождения теоретического и эмпирического распределений P{Uт≥U} велика в понятиях применяемого критерия согласия, то проверяемая гипотеза о виде распределения H0 не опровергается. Выбор вида теоретического распределения F(y) (или f(у)) проводится по графикам (гистограммам) Fэ(y) (или fэ(у)), выведенным на печать или на экран дисплея.

Особенности использования при обработке результатов моделирования системы S на ЭВМ ряда критериев согласия можно рассмотреть на основе критериев согласия Колмогорова, Пирсона, Стьюдента, Фишера и Смирнова.

Хотя указанные выше оценки искомых характеристик процесса функционирования системы S, полученные в результате машинного эксперимента с моделью Мм, являются простейшими, но охватывают большинство случаев, встречающихся в практике обработки результатов моделирования системы для целей ее исследования и проектирования.

 

 

Вопрос 30. Регрессионный анализ результатов моделирования.

Регрессионный анализ дает возможность построить модель, наилучшим образом соответствующую набору данных, полученных в ходе машинного эксперимента с системой S. Под наилучшим соответствием понимается минимизированная функция ошибки, являющаяся разностью между прогнозируемой моделью и данными эксперимента. Такой функцией ошибки при регрессионном анализе служит сумма квадратов ошибок.

Пример: Рассмотрим особенности регрессионного анализа результатов моделирования при построении линейной регрессионной модели. На рис. 2, а показаны точки xi, yi, , полученные в машинном эксперименте. Mм системы S. Делаем предположение, что модель результатов машинного эксперимента графически может быть представлена в виде прямой линии ,

где y - величина, предсказываемая регрессионной моделью.

Рис. 2 Построение линейной регрессионной модели

 

Требуется получить такие значения коэффициентов b0 и b1 при которых сумма квадратов ошибок модели является минимальной. На рисунке ошибка ei, , для каждой экспериментальной точки определяется как расстояние по вертикали от этой точки до линии регрессии y .

Обозначим , . Тогда выражение для ошибок будет иметь вид: , а функция ошибки .

Для получения b0 и b1, при которых функция F0 является минимальной, применяются обычные методы математического анализа. Условием минимума является .

Дифференцируя F, получаем

Решая систему этих двух линейных алгебраических уравнений, можно получить значения b0 и b1. В матричном представлении эти уравнения имеют вид:

.

Решая это уравнение получаем

,

,

где N — число реализаций при моделировании системы.

Соотношения для вычисления b0 и b1 требуют минимального объема памяти ЭВМ для обработки результатов моделирования. Обычно мерой ошибки регрессионной модели служит среднее квадратичное отклонение

.

Для нормально распределенных процессов приблизительно 67 % точек находится в пределах одного отклонения σе от линии регрессии и 95 % в - пределах 2 σе(трубки А и B соответственно на рис. 2, б). Для проверки точности оценок b0и b1, в регрессионной модели могут быть использованы, например, критерии Фишера (F-распределение) и Стьюдента (t-распределение). Аналогично могут быть оценены коэффициенты уравнения регрессии и для случая нелинейной аппроксимации.

 

 

Вопрос 33

Пример 4.1

1. Задание равномерного закона распределения:

GENERATE 6,4

Операнды: A = 6, В = 4. Интервал времени поступления является случайным числом со средним значением 6 и полем допуска 8, то есть он может приобретать только одно из девяти разных значений: 2, 3,4,5,6,7,8,9, 10.

2. Задание детерминированного значения интервалов поступле­ния:

GENERATE 10

Операнды: A = 10, В = 0 (по умолчанию). Транзакты входят в модель каждые 10 единиц модельного времени.

3. Генерирование одного транзакта.

GENERATE,,,1

Операнды: A = В = C = 0 (по умолчанию), D = 1. В нулевой мо­мент в модель входит один транзакт.

 

Транзакты удаляются из модели, попадая в блок TERMINATE (ЗАВЕРШИТЬ). В этот момент освобождается память, выделенная под транзакт. Эти блоки всегда позволяют выйти всем транзактам, которые пытаются это сделать. В модели может быть любое количе­ство блоков TERMINATE. Формат блока:

TERMINATE [ A ]

Операнд А является величиной уменьшения специального счет­чика, который называется счетчиком завершения. Этот операнд за­дает величину, которая вычитается из счетчика каждый раз, когда транзакт входит в блок TERMINATE. По умолчанию A = 0. Вход гранзакта в блок TERMINATE c нулевым значением операнда А не вызывает уменьшения счетчика завершения.

Счетчик завершения – это ячейка в памяти ЭВМ, которая хранит целое положительное число. Начальное значение этого счетчика ус­танавливается в начале моделирования. Оно равняется значению опе­ранда А команды START (НАЧАТЬ). В процессе моделирования транзакты попадают в блок TERMINATE и, таким образом, умень­шают значение счетчика на величину операнда А. Моделирование за­канчивается, когда значение счетчика становится равным нулю или отрицательному числу.

 1. В модели может быть много блоков TERMINATE, но счетчик завершения – один, c начальным значением, ука­занным в команде START.

2. Не путать ограничитель транзактов в блоке GENERATE и счетчик завершения. Ограничитель задает число тран­зактов, которые войдут в модель, А счетчик – число транзактов, кото­рые выйдут из модели. По окончании моделирования транзакты мо­гут оставаться в модели.

 

Вопрос 34

RELEASE        А

Таблица 4.4

Операнд	Значение	Результат по умолчанию
А	Имя (символьное или числовое) освобождаемого устрой­ства	Ошибка

В то время, как транзакты находятся в модели временно, уст­ройства, используемые в модели, существуют в ней в течение всего периода моделирования.

Статистическая информация о работе устройства при моделиро­вании собирается автоматически.

 

Перевод c английского языка блока ADVANCE (ЗАДЕРЖАТЬ) – продвигать, А не задерживать. Этот блок действительно продвигает ЧАСЫ модельного времени на некоторое значение, но фактически он осуществляет задержку продвижения транзакта в течение некоторого интервала времени. Обычно этот интервал задается случайной вели­чиной.

В GPSS возможны следующие варианты распределения времени обслуживания:

1) детерминированное (постоянное);

2) равномерное распределение;

3) другие распределения.

Как и при использовании блока GENERATE особо рассматри­вается равномерное распределение случайных величин. Применение более сложных видов распределений требует использования дополнительных функций.

Формат блока:

ADVANCE   A[,B]

Таблица 4.6

Опе­ранд	Значение	Значение по умолчанию
А	Среднее время задержки на обслуживание (число, СЧА)	0
В	Половина поля допуска равномерно распре­деленного времени задержки (число, СЧА)	0

 

Блок никогда не препятствует входу транзакта. Любое число транзактов может находиться в этом блоке одновременно. Когда транзакт попадает в такой блок, выполняется соответствующая подпрограмма и вычисляется время пребывания в нем транзакта. Вновь прибывший транзакт никак не влияет на уже находящийся в блоке транзакт.

Если время пребывания в блоке равно нулю, то вместо задержки в блоке ADVANCE интерпретатор сразу же пытается переместить этот транзакт в следующий блок. Более подробно о взаимодействии блока ADVANCE c интерпретатором описано в параграфе 4.21.

1. В GPSS/PC не допускаются дробные значения вре­мени задержки.

2. Отрицательное значение задержки всегда вызывает ошибку.

Пример 4.2

Использование блока ADVANCE:

ADVANCE    30,5

Время задержки транзакта в этом блоке – случайная величина, равномерно распределенная на интервале [25, 35], которая принимает одно из 11 целых значений.

 

Вопрос 35

Вопрос 36

 Переход транзакций в блок, отличный от последующего. Блок TRANSFER (все режимы).

В GPSS блок TRANSFER (ПЕРЕДАТЬ) может быть использо­ван в девяти разных режимах. Рассмотрим три основных.

Блок TRANSFER в режиме безусловной передачи. Его фор­мат:

TRANSFER  , B

Таблица 4.8

Операнд	Значение	Результат по умолчанию
А	Не используется	—
В	позиция блока, в которую должен перейти транзакт	Ошибка

Позиция блока – это номер или метка блока. Так как операнд А не используется, то перед операндом В должна стоять запятая. В ре­жиме безусловной передачи блок TRANSFER не может отказывать транзакту во входе. Кстати, если транзакт входит в блок, то он сразу же пытается войти в блок В.

Транслятор GPSS/PC не улавливает пропущенную запятую вместо операнда A (например, TRANSFER LAMD). На этапе трансля­ции метке LAMD присваивается числовое значение, и транзакт в этом случае направляется в блок c соответствующем номером.

Статистический режим. В этом режиме осуществляется пере­дача транзакта в один из двух блоков случайным образом. Формат блока:

TRANSFER  A,[B],C

Таблица 4.9

Опе­ранд	Значение	Результат но умол­чанию
А	Вероятность передачи транзакта в блок С, задаваемая в долях тысячи	Ошибка
В	Позиция блока, в которую должен пе­рейти транзакт (с вероятностью 1 – А)	Следующий по по­рядку блок
С	Позиция блока, в которую должен пе­рейти транзакт (с вероятностью А)	Ошибка

 

При задании вероятности (операнд А) используется не более трех цифр, первый символ записи частоты «.» (десятичная точка), если используется действительное число, которое должно быть в пределах от 0 до 1,0 (например, 0,235). Если операнд – положительное целое число, то вероятность интер­претируется в долях тысячи.

Пример 4.6

C частотой 0,667 транзакт переходит в блок c меткой LPRIB 1 и c частотой 0,333 – в блок c меткой LPRIB 2.

Режим BOTH. Если в операнде А стоит зарезервированное сло­во BOTH, то блок TRANSFER работает в режиме BOTH.

В этом режиме входящий транзакт сначала пытается перейти к блоку, указанному в операнде В. Если это сделать не удается, тран­закт пытается перейти в блок, указанный в операнде C. Если тран­закт не сможет перейти ни ктому, ни к другому блоку, то он остается в блоке TRANSFER и при каждом просмотре списка текущих собы­тий, будет повторять в том же порядке попытки перехода до тех пор, пока не сможет выйти из блока TRANSFER.

Пример 4.8

Транзакт сначала пытается перейти в блок c меткой LL 1. Если устройство PRI 1 занято, транзакт пытается войти в блок c меткой LL 2. Если транзакт не может войти и в этот блок (устройство PRI 2 также занято), он остается в списке текущих событий и повторяет эти попытки при каждом просмотре списка до тех пор, пока не выйдет из блока TRANSFER.

1. Не путайте метку блока SEIZE c именем соответствующего этому блоку устройства.

2. Если бы меткой LL 1 был помечен блок QUEUE, А не блок SEIZE, то все транзакты были бы направлены по метке LL 1, так как в отличие от блока SEIZE блок QUEUE всегда готов принять транзакты.

 

Вопрос 37

Пример 4.9

Пусть система состоит из восьми механиков и десяти подъем­ных кранов, тогда в GPSS-модель могут быть введены такие МКУ:

Существует возможность периодически переопределять емкость МКУ при необходимости выполнения нескольких прогонов за один этап моделирования. Это делается введением в программу между операторами START предыдущего прогона и оператором START по­следующего прогона нового определения емкостей.

 

 

Вопрос 41

Пример 4.25

Использование СЧА в блоках ENTER и ADVANCE.

ENTER         3, R 3

При входе транзакта в блок ENTER, он занимает R3 каналов устройства c именем 3. Поскольку R3 – число доступных каналов МКУ 3, то транзакт занимает все каналы, которые остались свобод­ными до его входа.

ENTER         HS, R $ SH

Войдя в блок ENTER, транзакт занимает R$SH каналов МКУ c именем HS.

ADVANCE    FC $ PRIB

Задержка в этом блоке равна числу занятий устройства PRIB.

Параметры транзактов. Параметры транзактов – это свойства транзакта, определяемые пользователем. Множество параметров транзакта – набор стандартных числовых атрибутов, которые при­надлежат транзакту. Параметры транзакта являются локальными пе­ременными, которые доступны только данному транзакту.

В процессе перемещения транзакта по модели, его параметры могут задаваться и модифицироваться в соответствии c логикой рабо­ты модели.

Особенности параметров транзактов:

1. Доступ к параметрам транзактов осуществляется таким образом:

P <номер> или Р$<имя>,

где      P – СЧА транзакта, определяющий его групповое имя, т.е. имя всех параметров транзакта.